1.基于流学习的图像层次结构网络的低光图像增强方法，其特征在于，步骤如下：由图像层次结构网络和基于归一化流学习的可逆网络构成FIHN结构；

使用负对数似然损失函数对网络进行训练；

所述图像层次结构网络由三分支区域和全局融合模块和双路dconv交叉融合模块组成；

所述三分支区域和全局融合模块用于提取并融合图像的全局和区域特征；

所述双路dconv交叉融合模块在提取局部特征的同时，并去噪和提高对比度；

所述可逆网络用于学习正常曝光图像的复杂分布；

通过负对数似然损失函数对FIHN的神经元权重进行调整，以获得最优性能的网络模型；

使用负对数似然损失函数对网络进行训练，损失函数表达式如下：其中，表示设计的图像层次结构网络； 表示第i个Flow Step块；

表示每一个Flow Step块的输出， 表示第i个Flow Step块中图像层次结构网络的输入特征； 表示潜在特征 z 的 probability density function；

表达式如下：

其中，C( )表示图像 的颜色图，表达式如下：其中， 表示计算 通道中每个像素的平均值。

2.根据权利要求1所述的基于流学习的图像层次结构网络的低光图像增强方法，其特征在于，所述三分支区域和全局融合模块中，最上面的第一个分支提取图像的全局特征，第二个分支和第三个分支用于提取不同尺度的区域特征；

所以三分支区域和全局融合模块将 复制成三份，分别为 、和 ；

最上面的第一个分支用于提取全局特征，不对特征矩阵 的尺寸进行调整；

第二个分支将 重新调整为4个尺寸大小为 的特征矩阵，分别为，并分别经过MDTA的处理得到为 的4个特征矩阵，分别为各自的区域特征，然后将 这4个包含区域信息的特征矩阵再重新调整为；

第三个分支将 重新调整为9个尺寸大小为 的特征矩阵，分别为 ；然后使用MDTA去提取对应的区域信息，并且同时提取得到第二个分支不同特征矩阵间的区域信息，将处理好的为 的特征矩阵重新调整为 。

3.根据权利要求2所述的基于流学习的图像层次结构网络的低光图像增强方法，其特征在于，所述MDTA在通道维度上使用了注意力机制，通过计算通道间的交叉协方差得到通道间的注意力图，并使用注意力图调整不同通道间的权重，从而提取得到图像的全局特征。

4.根据权利要求1所述的基于流学习的图像层次结构网络的低光图像增强方法，其特征在于，所述双路dconv交叉融合模块，步骤如下：基于Sigmoid激活函数来提升空间局部像素间的梯度；

基于Gelu激活函数来近似线性的增大像素值；

基于逐元素点积运算以均衡每一个像素值；

基于交叉点积的方式能提高两个分支间特征的相关性，并剔除特征的独立性。

5.根据权利要求1所述的基于流学习的图像层次结构网络的低光图像增强方法，其特征在于，通过概率密度函数表示图像层次结构网络和基于归一化流学习的可逆网络结构输出的相似度；

概率密度函数的表达式如下：

其中，P表示潜在特征z的概率密度函数，表示生成潜在特征z的模型。